斯坦福大学的研究人员推出 Octopus v2：
斯坦福大学的研究人员推出了 Octopus v2，这是一种先进的设备上语言模型，旨在解决与当前LLM应用程序相关的普遍存在的延迟、准确性和隐私问题。与之前的型号不同，Octopus v2 显着减少了延迟并提高了设备上应用程序的准确性。其独特之处在于通过功能标记进行微调的方法，可以实现精确的函数调用，在效率和速度上超越GPT-4，同时将上下文长度大幅削减95%。
Google DeepMind 展示深度混合：
来自 Google DeepMind、麦吉尔大学和 Mila 的研究人员推出了一种突破性的方法，称为深度混合 (MoD)，它不同于传统的统一资源分配模型。 MoD 使 Transformer 能够动态分配计算资源，重点关注序列中最关键的标记。该方法代表了管理计算资源的范式转变，并有望显着提高效率和性能。
Octopus-v2：可以在移动设备上运行的2B LLMs
Octopus-V2-2B是由斯坦福大学Nexa AI开发专为Android API的功能调用定制。
采用了一种独特的功能性标记策略，超越了基于RAG的方法，特别适用于边缘计算设备。
比Llama7B + RAG方案快36倍，性能优于 GPT-4，延迟时间小于 1 秒。
Claude发布函数调用工具：Tool use
允许模型与外部系统和数据进行交互
使用Tool use (function calling)功能，Claude不仅能够生成文本或回答问题，还能实际调用外部定义的函数或工具来执行特定操作，如获取当前的天气信息、执行数学计算等。
Meta 宣布推出 URHand
模型是基于光级数据构建的 Relightable Hands 的高保真通用先验。它概括为新颖的观点、姿势、身份和照明，从而可以通过手机扫描进行快速个性化
POM给Animatediff训练了三个MotionLora
WAS26：这个模型是在Banodoco Discord平台分享的艺术作品中挑选出来进行训练的。
Smoooth：专门针对那些动作流畅的视频进行训练。
LiquidAF：这个模型则是在液体模拟的基础上训练的
一款开源的低成本的机器人手臂，成本只需$250
可以用来自己进行机器学习
机器人手臂设计为5自由度（DoF）加夹持器，允许它进行广泛的运动，包括旋转、上下举起、弯曲等。
两个这样的手臂还能够折叠衣服。
动画自动填色技术：可自动为动画中的线条图着色
南洋理工大学的S-lab团队开发了一种新型的动画填色桶彩色化技术。
通过仅需对一帧进行手动彩色化，算法便能自动将颜色传播到后续的所有帧。
